Ders Adı | Kodu | Yerel Kredi | AKTS | Ders (saat/hafta) | Uygulama (saat/hafta) | Laboratuar (saat/hafta) |
---|---|---|---|---|---|---|
Makine Öğrenmesine Giriş | MKT3434 | 3 | 5 | 3 | 0 | 0 |
Önkoşullar | MKT2151 |
---|
Yarıyıl | Bahar |
---|
Dersin Dili | İngilizce, Türkçe |
---|---|
Dersin Seviyesi | Lisans |
Dersin Türü | Seçmeli @ Mekatronik Mühendisliği Lisans Programı (%30 İngilizce) |
Ders Kategorisi | Uzmanlık/Alan Dersleri |
Dersin Veriliş Şekli | Yüz yüze |
Dersi Sunan Akademik Birim | Mekatronik Mühendisliği Bölümü |
---|---|
Dersin Koordinatörü | Ertuğrul Bayraktar |
Dersi Veren(ler) | Ertuğrul Bayraktar |
Asistan(lar)ı |
Dersin Amacı | Bu ders, temel Makine Öğrenmesi kavramlarının ve terminolojisinin kapsamlı bir şekilde anlaşılmasını sağlamayı amaçlamaktadır. Konular arasında ham veriler için ön işleme yöntemleri, doğrusal ve lojistik regresyon gibi klasik yöntemler, Bayes tabanlı yaklaşımlar ve Sınıflandırma, Kümeleme, Modern Derin Ağlar, Markov Modelleri ve Pekiştirmeli Öğrenme gibi gelişmiş teknikler yer almaktadır. Öğrenciler, destek vektör makineleri, karar ağaçları ve CNN'ler, RNN'ler ve otomatik kodlayıcılar gibi derin öğrenme modelleri dahil olmak üzere popüler algoritmaların uygulanmasında pratik yeterlilik kazanacaklardır. Ayrıca gerçek dünya uygulamaları ve problemleri üzerinde durulacaktır. |
---|---|
Dersin İçeriği | Ders içeriği, kapsamlı bir anlayış sağlamak için Makine Öğrenmesi konularının geniş bir yelpazesini kapsayacaktır. Temel kavramlar ve terminoloji ile başlayarak, öğrenciler ham veriler için ön işleme yöntemlerini inceleyeceklerdir. Müfredat, doğrusal ve lojistik regresyon, Bayes tabanlı yöntemler dahil olmak üzere klasik makine öğrenimi tekniklerinin yanı sıra Sınıflandırma, Kümeleme, Modern Derin Ağlar, Markov Modelleri ve Takviyeli Öğrenme gibi ileri düzey konuları da tanıtacaktır. Destek vektör makineleri, karar ağaçları ve CNN'ler, RNN'ler ve otomatik kodlayıcılar gibi çeşitli derin öğrenme modelleri gibi popüler algoritmalarda yeterlilik sağlayarak pratik uygulamaya vurgu yapılacaktır. |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar |
|
Opsiyonel Program Bileşenleri | Yok |
Ders Öğrenim Çıktıları
- Makine Öğrenmesi için matematik ve veri bilimi ilkelerini kullanarak çeşitli alanlardaki karmaşık problemleri tanımlama, formüle edebilme ve çözebilme,
- Makine Öğrenmesi uygulamalarıyla ilgili etik, sosyal ve çevresel faktörleri göz önünde bulundurarak belirli ihtiyaçları karşılayan çözümler geliştirmek için mühendislik tasarım ilkelerini uygulayabilme,
- Makine Öğrenmesi kavramlarını ve bulgularını hem teknik hem de teknik olmayan çeşitli kitlelere etkili bir şekilde iletebilme, karmaşık fikirleri aktarırken netlik ve hassasiyet gösterebilme,
- Makine Öğrenmesi, derin öğrenme ve yapay zeka arasındaki ayrımı anlayabilme; derin öğrenme algoritmalarını gerçekçi görevler için değerlendirebilme ve uyarlayabilme,
- Deneyler geliştirebilme ve yürütebilme, istatistiksel ve Makine Öğrenmesi yöntemlerini kullanarak verileri analiz edebilme ve deneysel tasarım ve veri yorumlama konusunda yetkinlik göstererek bilinçli sonuçlar çıkarabilme.
Ders Öğrenim Çıktısı & Program Çıktısı Matrisi
DÖÇ-1 | DÖÇ-2 | DÖÇ-3 | DÖÇ-4 | DÖÇ-5 | |
PÇ-1 | - | - | - | - | - |
PÇ-2 | - | - | - | - | - |
PÇ-3 | - | - | - | - | - |
PÇ-4 | - | - | - | - | - |
PÇ-5 | - | - | - | - | - |
PÇ-6 | - | - | - | - | - |
PÇ-7 | - | - | - | - | - |
PÇ-8 | - | - | - | - | - |
PÇ-9 | - | - | - | - | - |
PÇ-10 | - | - | - | - | - |
PÇ-11 | - | - | - | - | - |
PÇ-12 | - | - | - | - | - |
PÇ-13 | - | - | - | - | - |
PÇ-14 | - | - | - | - | - |
PÇ-15 | - | - | - | - | - |
PÇ-16 | - | - | - | - | - |
PÇ-17 | - | - | - | - | - |
PÇ-18 | - | - | - | - | - |
PÇ-19 | - | - | - | - | - |
PÇ-20 | - | - | - | - | - |
PÇ-21 | - | - | - | - | - |
PÇ-22 | - | - | - | - | - |
PÇ-23 | - | - | - | - | - |
PÇ-24 | - | - | - | - | - |
PÇ-25 | - | - | - | - | - |
PÇ-26 | - | - | - | - | - |
PÇ-27 | - | - | - | - | - |
PÇ-28 | - | - | - | - | - |
PÇ-29 | - | - | - | - | - |
PÇ-30 | - | - | - | - | - |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
Hafta | Konular | Ön Hazırlık |
---|---|---|
1 | Makine Öğrenmesine Giriş, Makine Öğrenmesine Terminolojisi | Ders Notları |
2 | Doğrusal Regresyon ve Lojistik Regresyon | Ders Notları |
3 | Naive Bayes, Bayesian Karar Verme ve Parametrik Modeller | Ders Notları |
4 | Destek Vektör Makineleri, Karar Ağaçları | Ders Notları |
5 | Rastgele Ormanlar, K-En Yakın Komşular | Ders Notları |
6 | Boyut Azaltma: K-Means, Temel Bileşen Analizi | Ders Notları |
7 | Veri Bölme, Çapraz Doğrulama, Öznitelik Ölçekleme ve Seçimi | Ders Notları |
8 | Ara Sınav 1 | |
9 | Derin Öğrenmeye Giriş | Ders Notları |
10 | Çok Katmanlı Algılayıcılar, İleri Beslemeli Sinir Ağları | Ders Notları |
11 | Geriye Yayılım, Aktivasyon Fonksiyonları, Kayıp Fonksiyonları, Optimizasyon Yöntemleri, Performans Ölçütleri | Ders Notları |
12 | Evrişimli Sinir Ağları, Tekrarlayan Sinir Ağları, Uzun kısa süreli bellek ağları, Otomatik Kodlayıcılar | Ders Notları |
13 | Markov Karar Süreçleri ve Pekiştirmeli ÖğrenmeEvrişimli Sinir Ağları, Tekrarlayan Sinir Ağları, Uzun kısa süreli bellek ağları, Otomatik Kodlayıcılar | Ders Notları |
14 | Markov Karar Süreçleri ve Pekiştirmeli Öğrenme | Ders Notları |
15 | Markov Karar Süreçleri ve Pekiştirmeli Öğrenme | Ders Notları |
16 | Final |
Değerlendirme Sistemi
Etkinlikler | Sayı | Katkı Payı |
---|---|---|
Devam/Katılım | ||
Laboratuar | ||
Uygulama | ||
Arazi Çalışması | ||
Derse Özgü Staj | ||
Küçük Sınavlar/Stüdyo Kritiği | ||
Ödev | 3 | 30 |
Sunum/Jüri | ||
Projeler | 1 | 10 |
Seminer/Workshop | ||
Ara Sınavlar | 1 | 20 |
Final | 1 | 40 |
Dönem İçi Çalışmaların Başarı Notuna Katkısı | ||
Final Sınavının Başarı Notuna Katkısı | ||
TOPLAM | 100 |
AKTS İşyükü Tablosu
Etkinlikler | Sayı | Süresi (Saat) | Toplam İşyükü |
---|---|---|---|
Ders Saati | 15 | 3 | |
Laboratuar | |||
Uygulama | |||
Arazi Çalışması | |||
Sınıf Dışı Ders Çalışması | |||
Derse Özgü Staj | |||
Ödev | 3 | 15 | |
Küçük Sınavlar/Stüdyo Kritiği | |||
Projeler | 1 | 25 | |
Sunum / Seminer | |||
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 15 | |
Final (Sınav Süresi + Sınav Hazırlık Süresi) | 1 | 20 | |
Toplam İşyükü : | |||
Toplam İşyükü / 30(s) : | |||
AKTS Kredisi : |
Diğer Notlar | Yok |
---|